Une heuristique hybride pour le problème de set packing biobjectif
Xavier Delorme 1 , 2 , Xavier Gandibleux 2 , 3 et Fabien DEGOUTIN 2 , 4
1. Ecole Nationale Supérieure des Mines de Saint-Etienne Centre : Génie Industriel et Informatique
2. Laboratoire d’Automatique, de Mécanique et d’Informatique industrielles et Humaines
Équipe : Recherche Opérationnelle et Informatique 3. Laboratoire d’Informatique de Nantes Atlantique
INRETS 4. Institut National de Recherche sur les Transports et leur Sécurité Unité de Recherche : Évaluation des Systèmes de Transports
Automatisés et de leur Sécurité
Plan de la présentation
p Set Packing biobjectif
p Heuristiques SPEA et GRASP
p Hybridation des deux heuristiques p Expérimentations
p Conclusion et perspectives
Set Packing Problem bi-objectif
max
X n
i =1
c 1 i x i
max
X n
i =1
c 2 i x i
s/c
X n
i =1
t li x i ≤ 1 l = 1 , . . . , k x i ∈ { 0 , 1 }
avec t li ∈ { 0 , 1 }.
Caractéristiques du biSPP
Application réelle
p Évaluation de la capacité des infrastructures ferroviaires
Problème difficile p NP-difficile
p peu de solutions efficaces
p beaucoup de trous dans la frontière efficace
p bornes de mauvaise qualité
⇒ utilisation de métaheuristiques Peu d’existant
p métaheuristique multi-objectif générique SPEA
p adaptation d’une métaheuristique mono-objectif GRASP
Plan de la présentation
p Set Packing bi-objectif
p Heuristiques SPEA et GRASP
p Hybridation des deux heuristiques p Expérimentations
p Conclusion et perspectives
Strength Pareto Evolutionary Algorithm pour le biSPP
Principaux éléments
p Population initiale (gloutons, solutions aléatoires)
p Opérateurs génétiques classiques (croisement, mutation)
p Conserver des solutions réalisables
⇒ réparation
p Améliorer les solutions
⇒ saturation sur 3 directions
⇒ recherche locale (1-1 échanges)
Opérations de sélection et d’évaluation des individus p Concept de dominance Pareto
p Garder toutes les solutions potentiellement efficaces
Greedy Randomized Adaptative Search Procedure pour le biSPP
Principaux éléments en mono-objectif p grand nombre d’itérations
p phase gloutonne aléatoire
⇒ adaptation dynamique du caractère aléatoire
⇒ processus d’apprentissage
p Améliorer les solutions
⇒ recherche locale (0-1, 1-1, 1-2 et 2-1 échanges)
⇒ path relinking
Adaptation au cas biobjectif
p application sur 20 directions sur l’espace des objectifs
⇒ λc 1 ∗ (1 − λ ) c 2 , λ ∈ {0 , 19 1 , . . . , 18 19 , 1}
p Plusieurs solutions par directions
⇒ conserver toutes les solutions potentiellement efficaces
Plan de la présentation
p Set Packing bi-objectif
p Heuristiques SPEA et GRASP
p Hybridation des deux heuristiques p Expérimentations
p Conclusion et perspectives
Pourquoi une hybridation
Approximation de SPEA
p proximité de la frontière efficace
p bonne densité de solutions
p difficulté à trouver les solutions extrèmes
p approximation s’améliore peu avec plus de temps
Approximation de GRASP
p aptitude à trouver les solutions extrèmes
p approximation s’améliore avec plus de temps
p distance plus importante à la frontière efficace
p faible densité de solutions (trous)
⇒ Complémentarité des deux approches
Principes de l’hybridation
2 phases
p génération d’un ensemble de solutions avec GRASP
⇒ 25 meilleures solutions sur chaque direction
⇒ toutes les solutions potentiellement efficaces
p utilisation de ces solutions comme population initiale de SPEA
Répartition du temps entre les 2 phases à égalité
⇒ GRASP n’est pas une simple phase d’initialisation
SPEA agit comme une phase de post-optimisation p intensifier la recherche près de la frontière efficace
p densifier la population
Plan de la présentation
p Set Packing bi-objectif
p Heuristiques SPEA et GRASP
p Hybridation des deux heuristiques p Expérimentations
p Conclusion et perspectives
Instances considérées
Caractéristiques numériques p 100 ou 200 variables
p de 300 à 1 000 contraintes
p une densité de la matrice T de 1% à 3%
p 6 familles de fonctions objectifs
⇒ 120 instances Disponibles sur le site de la MCDM
p http ://www.terry.uga.edu/mcdm/
Conditions de l’expérimentation
Temps alloué à chaque métaheuristique
p 5 temps considérés (de 1 à 5 fois le temps de référence)
p T ref = 10s pour les instances à 100 variables
p T ref = 40s pour les instances à 200 variables
p Pentium III à 800 MHz
16 lancements indépendants
Indicateurs utilisés pour comparer les approximations
p pourcentage de solutions efficaces trouvées
p distance euclidienne moyenne à la frontière efficace
p l’hypervolume (S-metric) : surface définie dans l’espace des
objectifs par l’ensemble des solutions efficaces
Pourcentage de solutions efficaces
100%
95%
90%
85%
80%
75%
70%
65%
60%
T ref 2 ∗ T ref 3 ∗ T ref 4 ∗ T ref 5 ∗ T ref
SPEA
GRASP
Hybride
Distance à la frontière efficace
12
10
8
6
4
2
0
T ref 2 ∗ T ref 3 ∗ T ref 4 ∗ T ref 5 ∗ T ref
SPEA
GRASP
Hybride
S-metric
100,0%
99.5%
99,0%
98,5%
98,0%
97,5%
T ref 2 ∗ T ref 3 ∗ T ref 4 ∗ T ref 5 ∗ T ref